Jazykové modely VALL-E a Codec
VALL-E přeformuloval převod textu na řeč jako problém modelování jazyka přes tokeny audio kodeků a umožnil klonování hlasu z pouhých tří sekund vzorku.
Přehled
It showed that the same next-token prediction powering text LLMs can generate remarkably natural, expressive speech.
Hluboký ponor
Společnost VALL-E, kterou oznámila Microsoft na začátku roku 2023, zachází se syntézou řeči jako s jazykovým modelováním. Namísto predikce spektrogramu předpovídá diskrétní akustické tokeny neurálního kodeku (EnCodec), takže se generování stává predikcí dalšího tokenu ve zvukovém slovníku. Díky 3sekundové nahrávce neviditelného řečníka a cílového textu pokračuje VALL-E v hlasu řečníka, přičemž zachovává zabarvení a dokonce i akustické prostředí. Byl natrénován na zhruba 60 000 hodinách řeči, což je mnohem více než u typických datových sad TTS, což mu poskytlo silné klonování s nulovým záběrem. Protože tokeny kodeků jsou vrstvené (prostřednictvím RVQ), používá VALL-E dvě fáze: autoregresivní model předpovídá první, hrubý token tokenů podmíněný výzvou, a neautoregresivní model vyplní zbývající tokeny podrobností. Tento recept na kodek-LM inspiroval nástupce, jako je VALL-E 2 a mnoho modelů řečových základů.
Technický přehled
Trik je v hybridním dekódování přes hierarchické tokeny kodeků. Autoregresivní fáze předpovídá nejdůležitější tokeny první kódové knihy jeden po druhém, přičemž zachycuje prozódii a obsah. Zbývající kódové knihy, které přidávají jemné akustické detaily, jsou předpovídány paralelně neautoregresivním modelem podmíněným prvním proudem a výzvou reproduktoru. Toto rozdělení udržuje vysokou kvalitu a zároveň se vyhne nákladům na postupné generování každého tokenu a použití kodeku znamená, že řeč a text lze modelovat pomocí stejného transformátorového zařízení.
Strategický dopad
Přístup a dosah
Zlepšuje dostupnost prostřednictvím přepisu, vyprávění a hlasových rozhraní.
Cena a rozpočet
Mediální týmy mohou dodávat vylepšený zvuk rychleji s menšími rozpočty.
Rychlost a měřítko
Systémy orientované na zákazníky mohou zpracovávat mluvené interakce ve větším měřítku.
Budoucnost jazykových modelů VALL-E a Codec
Jazykové modely kodeků spojují řeč s velkými jazykovými modely a směřují k jednotným systémům, které naslouchají, uvažují a mluví v jednom modelu. Očekávejte lepší stabilitu a méně artefaktů, generování streamování v reálném čase a přísnější kontrolu nad emocemi a stylem. Stejné výkonné klonování, díky kterému je VALL-E užitečný pro přístupnost a dabing, také vyvolává obavy z deepfake a souhlasu, takže vodoznaky, zabezpečení hlasového ověřování a ochranné zábradlí se stávají ústřední součástí toho, jak jsou tyto systémy nasazovány.
Real-World Implementace
Klonování hlasu z několika sekund zvuku pro personalizované asistenty nebo nástroje pro usnadnění, které obnoví ztracený hlas
Lokalizace a dabing videa do jiných jazyků při zachování původního zabarvení mluvčího
Generování expresivního vyprávění přizpůsobeného kontextu, které zachovává akustické prostředí nahrávky
Slouží jako páteř řeči v multimodálních asistentech, kteří rozumí i produkují mluvený zvuk
Rizika a zábradlí
Pokud chybí souhlas, zvyšuje se riziko zneužití hlasu a předstírání jiné identity.
Přesnost může klesat v přízvuku, dialektech nebo hlučném prostředí.
Syntetický zvuk lze bez jasného označení zaměnit za autentickou řeč.
Plán implementace
Získejte výslovný souhlas se zachycením hlasu, klonováním a opětovným použitím.
Otestujte kvalitu napříč různými reproduktory a podmínkami pozadí.
Definujte, kdy musí člověk zkontrolovat nebo schválit výstupy.
Označte syntetický zvuk a veďte záznamy o původu pro zajištění odpovědnosti.
Pokračujte v objevování
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the VALL-E and Codec Language Models quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Další průvodce
Vznikající schopnosti velkých jazykových modelů
Často kladené otázky
What is VALL-E and Codec Language Models?
VALL-E přeformuloval převod textu na řeč jako problém modelování jazyka přes tokeny audio kodeků a umožnil klonování hlasu z pouhých tří sekund vzorku. Ukázalo se, že stejná predikce dalšího tokenu pohánějící textové LLM může generovat pozoruhodně přirozenou, výraznou řeč.
Jaká základní myšlenka odlišuje VALL-E od dřívějších systémů převodu textu na řeč?
VALL-E přeformuluje TTS jako predikci dalšího tokenu přes tokeny diskrétního zvukového kodeku, přičemž s generováním řeči zachází jako s jazykovým modelem.
Kolik referenčního zvuku potřebuje VALL-E ke klonování hlasu nového mluvčího?
VALL-E může provádět klonování hlasu s nulovým záběrem ze zhruba 3sekundového vzorku neviditelného reproduktoru.
Jaký neuronový kodek používá VALL-E k výrobě svých zvukových tokenů?
VALL-E staví na EnCodec od Meta a předpovídá jeho diskrétní akustické tokeny pro syntézu řeči.
Proč VALL-E používá jak autoregresivní, tak neautoregresní stadium?
Tokeny kodeků jsou hierarchické prostřednictvím RVQ; VALL-E předpovídá první hrubý tok autoregresně a zbývající tokeny detailů paralelně pro efektivitu.
Přibližně na jakém množství dat řeči bylo trénováno VALL-E, což umožnilo silné klonování s nulovým snímkem?
VALL-E byl trénován na zhruba 60 000 hodinách řeči, což je mnohem více než u typických datových sad TTS, což posílilo jeho zobecnění nulového záběru.